Beschreibung: |
Information Mining beschäftigt sich mit dem Extrahieren von impliziten, noch unbekannten Informationen aus Rohdaten (Data Mining) bzw. Texten (Text Mining). Dazu sollen Computer in die Lage versetzt werden, Datenbasen automatisch nach Gesetzmäßigkeiten und Mustern zu durchsuchen und einen Abstraktionsprozess durchzuführen, der als Ergebnis aussagekräftige Informationen liefert. Das maschinelle Lernen stellt dafür die Werkzeuge und Techniken zur Verfügung. Inhalte im Einzelnen: - Ein- und Ausgabe - Algorithmen: Klassifikation, nummerische Vorhersage, Assoziationen, Clustering - Evaluierung von Data-Mining-Methoden - Implementierung: Maschinelles Lernen in der Praxis - Aufbereitung der Ein- und Ausgabe - Data Mining für zeitabhängige Daten - Data Mining für soziale Netze - Text-Clustering: flaches/hierarchisches Clustering, Evaluierung, Optimum Clustering Framework - Text-Klassifikation |
Literatur: |
- Ian Witten, Eibe Frank, Mark Hall: Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufman, 2011. - Gary Miner, John Elder IV, Thomas Hill, Robert Nisbet, Dursun Delen, Andrew Fast: Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications. Academic Press, 2012. - Trevor Hastie , Robert Tibshirani, Jerome Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009 - Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008. |